CN104869636A - 基于测距信息融合的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于测距信息融合的室内定位方法，涉及测量距离的通信方法技术领域。所述方法从多种测量融合出发，提出了一种依靠手机的蓝牙与无线网络功能，实现精确室内定位的方法。通过对数正态模型，将蓝牙与无线网络测量中的接收信号强度转换为距离信息，通过构建距离差的代价函数，利用搜索方法，达到了仅需两个无线网络基站便可精确定位的效果。方法可以从信号强度较高的基站中选取两个，从而尽量避免多径，阻挡等因素使对数正态信道模型无法刻画实际信道的情况；定位方法在较低的运算复杂度情况下，达到了较好的定位效果。

Description

基于测距信息融合的室内定位方法

技术领域

本发明涉及测量距离的通信方法技术领域，尤其涉及一种基于测距信息融合的室内定位方法。

背景技术

室内定位系统(Indoor Position System，IPS)使得基于位置服务(如跟踪、导航和监控等)设备的位置信息获取成为可能。参考文献[1]B.Hofmann，H.Wellinhof，and H.Lichtenegger，”GPS:Theory andPractice”，Springer-Verlag，Vienna，1997.公开了全球定位系统(GlobalPosition System，GPS)在室外的视距(Line of Sight，LoS)传输条件下可以获得米级定位精度，而室内环境更为复杂和不确定，这是由于密集的多径影响和依赖于建筑材料的传播影响所导致(参考文献[2]J.A.M.Ladd，K.E.Bekris，A.P.Rudys，D.S.Wallach，L.E.Kavraki.On the Feasibilityof Using Wireless Ethernet for Indoor Localization[J].IEEE Trans.Wireless Communications，2006，5(10):555-559.)。

参考文献[3]Gabriel Deak，Devin Curran，Joan Condell.A Survey ofActive and Passive Indoor Localization systems[J].ComputerCommunications，2012，35:1939-1954.参考文献[4]HakanKoyuncu，ShuangHua yang.A Survey of Indoor Positioning and Object LocatingSystems[J].IJCSNS 2010，10(5):121-128.参考文献[5]J.Rantakokko，J.Rydell，P.Str¨omb¨ack，P.H¨andel，J.Callmer，D.T¨ornqvist，F.Gustafsson，M.Jobs，M.Gruden.Accurate and reliable soldier andfirst responder indoor positioning:multisensory systems andcooperative localization[J].IEEE Wireless Communications，2011，18(2):10–18.展示了设计IPS的不同技术，可以基于超声波(Ultrasonic，US)，红外线(Infrared，IR)，射频(Radio Frequency，RF)技术，包括射频识别(Radio-Frequency Identification RFID)、蓝牙(Bluetooth)、无线局域网(Wireless Local Area Network，WLAN)、传感器网络(Sensor NetWorks)，超宽带(Ultra-Wideband UWB)，基于摄影机的视觉分析(visionanalysis)和惯性测量装置(Inertial Measurement Unit，IMU)等。采用上面提到的定位技术测量到物理量后，可应用不同的方法来计算物理量，例如到达时间(Time of Arrival TOA)测量，到达时间差(Time Different ofArrival，TDOA)，接收信号强度(Received Signal strength，RSS)测量，到达相位(Phase of Arrival，POA)和到达角度(Angle of Arrival，AOA)测量。有了测量到的未经处理的物理量，不同的算法用于可以把它们转换为有用的位置信息。这些算法被分为三角测量/三边测量法、指纹法、近邻法和视觉分析法，具体请参考文献[6]J.Hightower，G.Borriello.Location sensingtechniques:Technical Report UW CSE 2001-07-30，Department of ComputerScience and Engineering[R].University of Washington:2001.。近年来，无线室内定位已成为一个热门的研究对象。很多人开始集中于研究结合两种及以上技术的混合定位系统，以提高位置估计的精度，(具体请参考文献[7]P.Bahl and V.Padmanabhan.RADAR:An in-building RF based user locationand tracking system[A].Proc.IEEE INFOCOM[C].2000，2.775-784.[8]

K.Kolodziej，J.Hjelm.Local Positioning Systems:LBS Applicationsand Services[M].CRC Press，2006.[9]N.Priyantha，A.Chakraborty，H.Balakrishnan.The cricket location-support system[A].in:Proceedings of the 6th Annual International Conference on MobileComputing and Networking[C].ACM，2000.32–43.[10]Skyhook，Skyhook Wireless，2011.http://www.skyhookwireless.com/[Z].。)

发明内容

本发明所要解决的技术问题是提供一种基于测距信息融合的室内定位方法，所提方法在提供了较高定位精度的同时，还能摆脱传统三边测量算法必须基于三个以上无线网络基站测量信息的限制，此外，方法可以从信号强度较高的基站中选取两个，从而尽量避免多径，阻挡等因素使对数正态信道模型无法刻画实际信道的情况；定位方法在较低的运算复杂度情况下，达到了较好的定位效果。

为解决上述技术问题，本发明所采取的技术方案是：一种基于测距信息融合的室内定位方法，其特征在于所述方法包括如下步骤：

在WLAN网络中加入精准测距基站BS，在精准测距基站BS位置(x₁,y₁)已知情况下，以精准测距基站BS为圆心，以测得的与移动站MS的距离d₁为半径画圆，将所估计的移动站MS坐标定位于圆上，圆上各点坐标(x_Mi,y_Mi)表示为：

x_Mi＝x₁+d₁*cos(i*θ)

y_Mi＝y₁+d₁*sin(i*θ)   (1)

其中i＝1,2,...,N，θ是角位移的单位转动量，θ＝2π/N；

同时，WLAN网络中的各个接入点AP还会扫描到移动站MS的发射信号强度，产生对应移动站MS的接收信号强度RSS值，通过对数正态模型，在接收信号强度RSS估计中测量值P_ij是节点i接收到由节点j发出的信号强度，其对数形式P_ij(dBm)＝10log₁₀P_ij服从高斯正态分布

$P_{\mathrm{ij}}\left(\mathrm{dBm}\right)~N({\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right),{\mathrm{\σ}}_{\mathrm{dB}}^2)---\left(2\right)$

其中均值可以表示为

${\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right)=P_0\left(\mathrm{dBm}\right)-{10\mathrm{\β}\log }_{10}(d_{\mathrm{ij}}/d_0)---\left(3\right)$

其中：P₀(dBm)是参考距离d₀的接收信号强度分贝，根据自由空间路径损耗模型计算得到，路径损耗系数β是环境的函数，节点i接收到由节点j发出的信号强度测量值p_ij的概率密度函数表示为

$P_{\mathrm{ij}}(P_{\mathrm{ij}};{\mathrm{\γ}}_i,{\mathrm{\γ}}_j)=\frac{10/\log 10}{\sqrt{{2\mathrm{\π\σ}}_{\mathrm{dB}}^2}}\frac{1}{P_{\mathrm{ij}}}\exp [-\frac{b}{8}{\left(\log \frac{d_{\mathrm{ij}}^2}{{\tilde{d}}_{\mathrm{ij}}^2}\right)}^2]---\left(4\right)$

其中

$b={\left(\frac{10\mathrm{\β}}{{\mathrm{\σ}}_{\mathrm{dB}}\log 10}\right)}^2---\left(5\right)$

${\tilde{d}}_{\mathrm{ij}}=d_0{(p_0/p_{\mathrm{ij}})}^{1/\mathrm{\β}}---\left(6\right)$

是在给定接收信号强度p_ij时，距离d_ij的最大似然估计值，最终生成各个接入点AP与移动站MS的距离估计；提取接收信号强度RSS值最强的两个接入点AP与移动站MS的距离估计值并以d₂,d₃表示，在定位过程中，首先计算所画圆上各点与接收信号强度RSS值最强两个接入点AP的距离，

$d_{2\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_2)}^2+{(y_{\mathrm{Mi}}-y_2)}^2}$

(7)

$d_{3\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_3)}^2+{(y_{\mathrm{Mi}}-y_3)}^2}$

并与距离估计做差，

Err_1i＝|d₂-d_2θi|

(8)

Err_2i＝|d₃-d_3θi|

代价函数最终表示为，

$\underset{i}{\mathrm{Min}}\sqrt{{{\mathrm{Err}}_{1i}}^2+{{\mathrm{Err}}_{2i}}^2}---\left(9\right)$

搜索整个圆上的代价函数，选取代价函数最小值所对应的移动站MS坐标值，作为移动站MS的位置估计值。

进一步的技术方案在于：所述自由空间路径损耗模型为：

定义参考距离d₀的自由路径损耗值FSPL作为参考，其分贝表达式为

$\mathrm{FSPL}\left(\mathrm{dB}\right)={20\log }_{10}\left(\frac{4\mathrm{\π}}{c}{d}_{0}f\right)---\left(10\right)$

其中，c代表光速，f是发射信号频率。

进一步的技术方案在于：所述路径损耗系数β是环境的函数，并将其定义为已知量。

进一步的技术方案在于：所述接入点AP为带有蓝牙或WIFI的终端。

采用上述技术方案所产生的有益效果在于：所述方法从多种测量融合出发，提出了一种依靠手机的蓝牙与无线网络功能，实现精确室内定位的方法。方法通过对数正态模型，将蓝牙与无线网络测量中的接收信号强度转换为距离信息，通过构建距离差的代价函数，利用搜索方法，达到了仅需两个无线网络基站便可精确定位的效果。在后续的研究中，对于对数正态模型的修正可以进一步考虑衰减系数或是采用混合信道模型。也可引入基于相位测量的测距方法来实现替代蓝牙测距功能，测距精度更高。还能摆脱传统三边测量算法必须基于三个以上无线网络基站测量信息的限制。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明代价函数搜索算法示意图；

图2是1m×1m区域定位仿真图；

图3是累积误差函数分布图；

图4是定位误差伴随噪声分布图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

本发明公开了一种基于测距信息融合的室内定位方法，所述方法具体过程如下：

在WLAN网络中加入精准测距基站(Base Station，BS)，这种BS可以基于蓝牙测距技术或相位测距技术等。在精准测距基站BS位置(x₁,y₁)已知情况下，以精准测距基站BS为圆心，测得与移动站(Mobile Station，MS)距离d1为半径画圆，便可将所估计的移动站MS坐标定位于圆上，圆上各点坐标(x_Mi,y_Mi)表示为

x_Mi＝x₁+d₁*cos(i*θ)

(1)

y_Mi＝y₁+d₁*sin(i*θ)

其中i＝1,2,...,N。θ是角位移的单位转动量，θ＝2π/N。

同时，WLAN网络中的各个接入点(Access Point，AP)还会扫描到移动站MS的发射信号强度，产生对应移动站MS的接收信号强度RSS值，通过对数正态模型，在接收信号强度RSS估计中测量值P_ij是节点i接收到由节点j发出的信号强度，其对数形式P_ij(dBm)＝10log₁₀P_ij服从高斯正态分布

$P_{\mathrm{ij}}\left(\mathrm{dBm}\right)~N({\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right),{\mathrm{\σ}}_{\mathrm{dB}}^2)---\left(2\right)$

其中均值可以表示为

${\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right)=P_0\left(\mathrm{dBm}\right)-{10\mathrm{\β}\log }_{10}(d_{\mathrm{ij}}/d_0)---\left(3\right)$

P₀(dBm)是参考距离d₀的接收信号强度分贝，可以根据自由空间路径损耗模型(free space path loss formula,FSPL)计算得到，其分贝表达式为：

其中，c代表光速，f是发射信号频率。

一般情况下d₀＝1m。路径损耗系数β是环境的函数，大部分情况下将其定义为已知量，而在某些问题中也可以将其作为未知量处理。节点i接收到由节点j发出的信号强度测量值pⁱ _j的概率密度函数可以表示为

$P_{\mathrm{ij}}(P_{\mathrm{ij}};{\mathrm{\γ}}_i,{\mathrm{\γ}}_j)=\frac{10/\log 10}{\sqrt{{2\mathrm{\π\σ}}_{\mathrm{dB}}^2}}\frac{1}{P_{\mathrm{ij}}}\exp [-\frac{b}{8}{\left(\log \frac{d_{\mathrm{ij}}^2}{{\tilde{d}}_{\mathrm{ij}}^2}\right)}^2]---\left(4\right)$

其中： $b={\left(\frac{10\mathrm{\β}}{{\mathrm{\σ}}_{\mathrm{dB}}\log 10}\right)}^2---\left(5\right)$

${\tilde{d}}_{\mathrm{ij}}=d_0{(p_0/p_{\mathrm{ij}})}^{1/\mathrm{\β}}---\left(6\right)$

是在给定接收信号强度p_ij时，距离d_ij的最大似然估计值。最终生成各个接入点AP与移动站MS的距离估计。算法中，我们提取RSS值最强的两个接入点AP与移动站MS的距离估计值并以d₂,d₃表示，从而尽量避免多径，阻挡等因素使对数正态信道模型无法刻画实际信道的情况。在实际定位过程中，算法首先计算所画圆上各点与两个接入点AP的距离，

$d_{2\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_2)}^2+{(y_{\mathrm{Mi}}-y_2)}^2}$

$d_{3\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_3)}^2+{(y_{\mathrm{Mi}}-y_3)}^2}$

并与距离估计做差，

Err_1i＝|d₂-d_2θi|(8)

Err_2i＝|d₃-d_3θi|

代价函数最终表示为，

$\underset{i}{\mathrm{Min}}\sqrt{{{\mathrm{Err}}_{1i}}^2+{{\mathrm{Err}}_{2i}}^2}---\left(9\right)$

搜索整个圆上的代价函数，选取代价函数最小值所对应的移动站MS坐标值，作为移动站MS的位置估计值，定位原理如图1所示。

算法仿真

算法仿真在一个1m×1m的区域中进行，首先假设区域中有4个接入点AP，坐标分别为AP1:(0,0),AP2:(0,1),AP3:(1,1),AP4:(1,0)，精准测距基站BS的坐标为(0,0)。仿真首先引入最小二乘算法作为第一种对比算法，作为快速算法，LS在线性方程组条件下可求得最小方差无偏(Minimum Variance Unbiased，MVU)估计量。仿真其次引入移动站MS坐标的最大似然估计量，并利用最速梯度下降法(The gradient descent method)，以迭代搜索的方式求得移动站MS位置。

仿真中给各个MS与精准测距BS的距离加入了期望为0.01，标准差为0.003的高斯噪声，用以描述精准测距相对于环境大小1％左右的测距误差。每次实验结果都是一千次仿真取平均值得到的。路径损耗系数β根据经验值判断为3.

在第一组仿真实验中，假设环境中各点MS与1号和2号AP的通信未受室内环境严重干扰，在服从(2)式的分布条件下，RSS分布的标准差是3dBm。而与3号和4号AP的通信信号质量价差，RSS分布的标准差是9dBm。所述方法自然选择1号、2号AP作为计算依据，而ML(最大似然估计，maximum likelihood)算法和LS(最小二乘，Leastsquares)算法则需至少考虑三边的测量结果，才能实现位置估计。在图1，虚线的交点处代表各点MS的真实坐标，并以BS坐标为圆心，各MS点与BS距离加入噪声为半径，做弧线。观测图2以发现所述方法在部分AP信号受噪声干扰较大情况下，与ML算法结合迭代搜索估计有相似的定位性能，而LS算法的定位结果则较差。图3为1000次运行结果的累积误差分布曲线图，从图3中可以得到与图1相同的结论，所提算法与ML算法的定位误差以80％的概率小于0.1米左右，而LS算法则小于0.5米。在相同噪声环境中的定位误差是所提算法的5倍。同时，观察表1可以发现ML估计在1000次运行的平均时间是126.58秒，LS估计在1000次运行的平均时间是5.25秒，所提算法在1000次运行的平均时间是49.93秒，在计算时间上所提算法与具有相似定位精度的ML估计相比，提高了接近3倍。

在第二组仿真实验中，仍然假设环境中各点MS与1号和2号AP的通信未受室内环境严重干扰，在服从(2)式的分布条件下，RSS分布的标准差是3dBm。而与3、4号AP的通信信道噪声标准差从3dBm逐渐上升至12dBm，从图4可以看出，在噪声很小的情况下，所述方法的定位性能略差于ML估计，而当标准差超过5dBm时，所提算法的定位性能逐步优于ML估计。

表1 算法运行时间比较

Table1comparison of running time

算法	1000次平均运行时间(s)
		ML算法	126.58
LS算法	5.25
		所提算法	49.93

所述方法从多种测量融合出发，提出了一种依靠手机的蓝牙与无线网络功能，实现精确室内定位的方法。方法通过对数正态模型，将蓝牙与无线网络测量中的接收信号强度信号转换为距离信息，通过构建距离差的代价函数，利用搜索方法，达到了仅需两个无线网络基站便可精确定位的效果。在后续的研究中，对于对数正态模型的修正可以进一步考虑衰减系数或是采用混合信道模型。也可引入基于相位测量的测距方法来实现替代蓝牙测距功能，测距精度更高。还能摆脱传统三边测量算法必须基于三个以上无线网络基站测量信息的限制。此外，方法可以从信号强度较高的基站中选取两个，从而尽量避免多径，阻挡等因素使对数正态信道模型无法刻画实际信道的情况；定位方法在较少的运算复杂度情况下，达到了较好的定位效果。

Claims (4)

1.一种基于测距信息融合的室内定位方法，其特征在于所述方法包括如下步骤：

在WLAN网络中加入精准测距基站BS，在精准测距基站BS位置(x₁,y₁)已知情况下，以精准测距基站BS为圆心，以测得的与移动站MS的距离d₁为半径画圆，将所估计的移动站MS坐标定位于圆上，圆上各点坐标(x_Mi,y_Mi)表示为：

x_Mi＝x₁+d₁*cos(i*θ)           (1)

y_Mi＝y₁+d₁*sin(i*θ)

其中i＝1,2,...,N，θ是角位移的单位转动量，θ＝2π/N；

同时，WLAN网络中的各个接入点AP还会扫描到移动站MS的发射信号强度，产生对应移动站MS的接收信号强度RSS值，通过对数正态模型，在接收信号强度RSS估计中测量值P_ij是节点i接收到由节点j发出的信号强度，其对数形式P_ij(dBm)＝10log₁₀P_ij服从高斯正态分布

$P_{\mathrm{ij}}\left(\mathrm{dBm}\right)~N({\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right),{\mathrm{\σ}}_{\mathrm{dB}}^2)---\left(2\right)$

其中均值可以表示为

${\stackrel{\‾}{P}}_{\mathrm{ij}}\left(\mathrm{dBm}\right)=P_0\left(\mathrm{dBm}\right)-10\mathrm{\β}{\log }_{10}(d_{\mathrm{ij}}/d_0)---\left(3\right)$

其中：P₀(dBm)是参考距离d₀的接收信号强度分贝，根据自由空间路径损耗模型计算得到，路径损耗系数β是环境的函数，节点i接收到由节点j发出的信号强度测量值p_ij的概率密度函数表示为

$P_{\mathrm{ij}}(P_{\mathrm{ij}};{\mathrm{\γ}}_i,{\mathrm{\γ}}_j)=\frac{10/\log 10}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_{\mathrm{dB}}^2}}\frac{1}{P_{\mathrm{ij}}}\exp [-\frac{b}{8}{\left(\log \frac{d_{\mathrm{ij}}^2}{{\tilde{d}}_{\mathrm{ij}}^2}\right)}^2]---\left(4\right)$

其中

$b={\left(\frac{10\mathrm{\β}}{{\mathrm{\σ}}_{\mathrm{dB}}\log 10}\right)}^2---\left(5\right)$

${\tilde{d}}_{\mathrm{ij}}=d_0{(p_0/p_{\mathrm{ij}})}^{1/\mathrm{\β}}---\left(6\right)$

是在给定接收信号强度p_ij时，距离d_ij的最大似然估计值，最终生成各个接入点AP与移动站MS的距离估计；提取接收信号强度RSS值最强的两个接入点AP与移动站MS的距离估计值并以d₂,d₃表示，在定位过程中，首先计算所画圆上各点与接收信号强度RSS值最强两个接入点AP的距离，

$d_{2\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_2)}^2+{(y_{\mathrm{Mi}}-y_2)}^2}$           (7)

$d_{3\mathrm{\θi}}=\sqrt{{(x_{\mathrm{Mi}}-x_3)}^2+{(y_{\mathrm{Mi}}-y_3)}^2}$

并与距离估计做差，

Err_1i＝|d₂-d_2θi|          (8)

Err_2i＝|d₃-d_3θi|

代价函数最终表示为，

$\underset{i}{\mathrm{Min}}\sqrt{{{\mathrm{Err}}_{1i}}^2+{{\mathrm{Err}}_{2i}}^2}---\left(9\right)$

搜索整个圆上的代价函数，选取代价函数最小值所对应的移动站MS坐标值，作为移动站MS的位置估计值。

2.根据权利要求1所述的基于测距信息融合的室内定位方法，其特征在于：所述自由空间路径损耗模型为：

定义参考距离d₀的自由路径损耗值FSPL作为参考，其分贝表达式为

$\mathrm{FSPL}\left(\mathrm{dB}\right)=20{\log }_{10}\left(\frac{4\mathrm{\π}}{c}{d}_{0}f\right)---\left(10\right)$

其中c代表光速，f是发射信号频率。

3.根据权利要求1所述的基于测距信息融合的室内定位方法，其特征在于：所述路径损耗系数β是环境的函数，并将其定义为已知量。

4.根据权利要求1所述的基于测距信息融合的室内定位方法，其特征在于：所述接入点AP为带有蓝牙或WIFI的终端。